Reconstructing Satellites in 3D from Amateur Telescope Images

本文提出了一种框架，用于利用由小型业余望远镜捕获的视频进行低地球轨道卫星的三维重建。这些望远镜获取的视频数据与标准三维重建任务的数据存在显著差异，其特点是运动模糊强烈、大气湍流、普遍的背景光污染、扩展的焦距和受限的观测视角。为了解决这些挑战，我们的方法从全面的预处理工作流开始，包括基于深度学习的图像恢复、特征点提取和相机姿态初始化。然后我们应用了改进的三维高斯喷洒算法来重建三维模型。我们的技术支持同时进行三维高斯训练和姿态估计，从稀疏、嘈杂的数据中稳健地生成复杂的三维点云。该过程进一步得到增强，通过后期编辑阶段来消除与卫星几何约束的先前知识不一致的噪点。我们使用合成数据集和中国空间站的实际观测来验证我们的方法，展示了它在从地面观测中重建三维空间物体方面相较于现有方法的显著优势。

本文提出了一种框架，用于利用小型业余望远镜拍摄的视频进行低地球轨道卫星的三维重建。该方法旨在解决强烈运动模糊、大气湍流、背景光污染、扩展焦距和受限观测视角等挑战。

本文提出了一种综合的预处理流程，包括基于深度学习的图像恢复、特征点提取和相机姿态初始化。然后应用改进的三维高斯点插值算法进行三维模型重建，支持同时进行三维高斯训练和姿态估计，从稀疏、嘈杂的数据中生成复杂的三维点云。

本文使用合成数据集和中国空间站的实际观测数据验证了该方法的有效性，证明了其在从地面观测中重建三维空间对象方面的显着优势。值得关注的是，本文设计了后期编辑阶段，旨在消除与卫星几何约束不一致的噪声点。此外，本文还提供了开源代码。

在这个领域中，最近的相关研究包括“DeepSFM:结合结构和深度的单目稠密SLAM”、“基于深度学习的高效视频超分辨率重建”等。